1.临床数据与蛋白质组定量数据总览

通过定量热图及森林图可视化分析临床变量（A、B），与结局显著相关的临床变量可用于后续临床模型的构建；直方图展示各样本蛋白组数据定量情况（C、D）。

本结果可用于展示项目样本的临床信息概览，及项目检测到的所有样品中蛋白质定量数据的总体情况。

2. 蛋白质组学差异分析

根据蛋白在不同样品组间的差异倍数和P值筛选组间显著差异蛋白，并通过火山图、PCA主成分分析图以及聚类热图（A-C），综合展示差异蛋白的表达情况及样本之间的差异情况。

本结果用于展示组间差异蛋白的分析结果，通常选择两组间差异倍数和P值排名都靠前的蛋白，作为后续验证和功能探索的基础。

3.蛋白组学信号通路分析及互作网络

基于GO、KEGG、DO数据库（左），从多个层次对差异蛋白进行注释以及富集分析，展示差异蛋白所属的功能条目以及信号通路等信息；PPI互作网络分析（右）展示差异蛋白之间已知或可能存在的相互作用关系，为挑选核心蛋白提供理论依据。并使用Cytoscape中的4种算法，从不同角度为客户提供核心蛋白挑选意见（右下）。

本结果可用于展示组间差异蛋白所属的功能条目、信号通路及网络互作关系，提示与疾病风险相关的机制线索。后续可挑选排名靠前的功能条目和互作网络中的核心蛋白，开展进一步研究验证。

4.GSEA分析

基于Hallmark基因集和蛋白质组定量数据进行GSEA分析，展示富集到的组间上下调的所有基因集条目（A），以及富集程度最高通路条目的GSEA富集结果（B、C）。同样是富集分析，GO和KEGG富集分析偏向关注表达差异显著的蛋白分布情况，而GSEA分析更关注通路中蛋白的整体变化趋势，是对传统富集分析的重要补充。本结果展示蛋白质组学数据GSEA分析的结果，提示组间有重要变化的功能条目和信号通路的整体上下调情况，后续可选择评分靠前且P值较小的通路开展进一步研究。

5.WPCNA分析

基于样本临床表型和蛋白质组定量数据进行WPCNA分析，根据表达模式相似程度将蛋白分为不同模块（module），绘制蛋白之间的聚类树状图及对应的模块分布（A），解析蛋白模块与样品临床表型之间的联系，展示其相关性（B），并挑选与表型相关性最强的蛋白进行GO、KEGG、DO分析（C）。

本结果展示蛋白质组学数据WPCNA分析的结果，后续可选择与临床表型相关性最强的蛋白模块，开展信号通路富集分析，或找到模块中的核心基因，揭示与临床表型相关的关键蛋白和信号通路。

6.临床蛋白质组学模型构建

基于差异蛋白Xgboost和LASSO回归分析（左A-C），以及临床变量分析，构建临床蛋白质组模型（左D），并从区分度（右A，B）、校准度（右C）以及临床效应（右D）三个方面对临床模型进行全方位的评价。

本结果展示临床蛋白质组学模型构建及模型评价结果，通过机器学习高效筛选大规模蛋白质组学数据，建立高精度预测模型，区分不同人群，并多角度评价模型稳定性。

7.HPA数据库免疫组化结果

基于项目核心蛋白筛选结果，挖掘HPA数据库中核心蛋白在正常及常见癌症组织的表达情况，并提供HPA数据库中的免疫组化图片（示例如上），可用于论文发表。将样本的检测分析数据与公共数据库挖掘相结合，利用外部数据为项目结果提供支持和验证，提高分析结果的可信度。

8.潜在药物筛选

基于差异蛋白分析结果中的上调及下调蛋白列表，挖掘CMAP潜在药物数据库，提供数据库评分前5的潜在化合药物列表（右下），可作为药物研究线索。

本结果基于CMAP数据库挖掘分析差异蛋白结果， 用于筛选疾病潜在药物，后续可针对潜在药物开展验证试验，促进药物开发，为药物研发和疾病治疗提供新思路。

9.分子亚型分析

针对疾病组样本的蛋白组学数据，通过共识聚类划分分子亚型（A），分析疾病不同亚型之间的患者生存预后情况及蛋白差异（B-D），并基于亚型差异蛋白探寻相关的信号通路线索（E），揭示疾病的分子特征和病理机制。

本结果展示疾病分子分型结果，探究分子亚型间蛋白、生物学特征及功能通路差异，帮助医生更细致地对疾病进行分类和诊断，促进临床诊疗的精细化和个体化。

完整版报告包含全部9大分析模块，60+项分析内容。在样本量过低时部分分析内容临床意义较小，可用的分析方法有限。为避免对结果解读造成误导，WPCNA、建模、分子分型分析需达到样本例数要求才能提供，具体见表格。

谱度众合临床穿刺样本蛋白质组研究一站式解决方案致力于为客户提供更省心的服务、更稳定可靠的数据结果、更丰富详实的分析内容、满足更多元个性的研究方向。

关注我们，了解更多关于临床穿刺样本蛋白质组学产品的详细信息。挖掘穿刺样本潜力，我们一同出发！